一种基于改进哈里斯鹰优化算法的光伏阵列重构方法技术

本发明专利技术涉及一种基于改进哈里斯鹰优化算法的光伏阵列重构方法：首先，建立光伏阵列数学模型；其次，以光伏阵列每一行的功率之和最大为目标建立目标函数并给出电气开关状态构成的重构变量应满足约束条件；在此基础上，对传统哈里斯鹰优化算法进行改进，并基于IHHO算法对光伏阵列进行重构，建立光伏阵列重构后输出特性的评价标准；最后，基于算例对所提方法有效性和优越性进行验证与分析。该方法利用改进的哈里斯鹰优化算法进行光伏阵列重构，使得光伏阵列获得最大的功率输出，相比于传统哈里斯鹰优化算法，改进算法收敛性能进一步提升，且相比于传统智能算法，可获得更小的失配损失和更大的功率提升百分比。和更大的功率提升百分比。和更大的功率提升百分比。

【技术实现步骤摘要】
一种基于改进哈里斯鹰优化算法的光伏阵列重构方法


[0001]本专利技术属于光伏发电
，具体涉及一种基于改进哈里斯鹰优化算法的光伏阵列重构方法。

技术介绍

[0002]太阳能作为一种取之不尽用之不竭的能源因其清洁无污染性而广受人们关注。但是光伏电池转换效率低，易受外界环境影响和自身建造工艺不完善等问题依然是当前一大亟待解决的问题。光伏阵列在运行过程中难免会由于飞鸟、云层、附近建筑物以及间距设置不合理等因素而产生部分阴影遮挡问题，这种随机不规则的部分阴影遮挡会使光伏输出变得十分不稳定。同时光伏阵列中被遮挡的电池单元由于输出电流降低，导致阵列整体输出电压被施加到该单元，使其变成负载消耗电能产生热量，损坏电池和系统。
[0003]光伏阵列在部分阴影条件下工作时会因为功率失配而损失能量，致使输出特性曲线出现多峰值，而部分阴影遮挡问题又无法绝对的避免。基于辐照度均衡的原理所提出的光伏阵列重新配置技术是有效解决该问题的方法之一。其中所具代表性的是以网状结构(TCT)为连接方式的光伏阵列静态重构技术。光伏阵列静态重构技术是指通过一定的技术手段，对阵列内的电池排列方式进行预先的重构，但并未改变阵列原有的接线方式。当产生部分阴影时，阴影的实际位置被均匀分散开，达到了均衡行电流减少多峰值数目的目的。该技术不仅降低了光伏系统对全局最大功率点追踪精度的要求，同时也提升了功率输出。
[0004]通过光伏阵列的重构，改变阴影条件下阵列的P
‑
U特性，一方面可以提高最大功率值，另一方面可以使得P
‑<br/>U特性曲线重回单峰值特性，为最大功率点跟踪算法的实现提供便利。因此提出一个行之有效的光伏阵列重构方法具有极为重要的现实意义。

技术实现思路

[0005]现有研究多采用群智能算法进行光伏阵列重构，但所提方法输出功率提高受限，失配损耗较高，功率提升百分比较低，且伴随着收敛速度不高和收敛精度低的问题，为解决现有技术不足，本专利技术提出一种基于改进哈里斯鹰优化(Improved Harris Hawks Optimization，IHHO)算法的光伏阵列重构方法，该方法利用改进的哈里斯鹰优化算法进行光伏阵列重构，使得光伏阵列获得最大的功率输出，相比于传统哈里斯鹰优化算法，改进算法收敛性能进一步提升，且相比于传统智能算法，可获得更小的失配损耗和更大的功率提升百分比。具体包括以下步骤：首先，建立光伏阵列数学模型；其次，以光伏阵列每一行的功率之和最大为目标建立目标函数并给出电气开关状态构成的重构变量应满足约束条件；在此基础上，对传统哈里斯鹰优化算法进行改进，并基于IHHO算法对光伏阵列进行重构，建立光伏阵列重构后输出特性的评价标准；最后，基于算例对所提方法有效性和优越性进行验证与分析。
[0006]本专利技术采用的技术方案为：一种基于改进哈里斯鹰优化算法的光伏阵列重构方法，包括如下步骤：
[0007]S1：建立光伏阵列数学模型；
[0008]S2：以光伏阵列每一行的功率之和最大为目标建立目标函数，并给出电气开关状态构成的重构变量应满足的约束条件；
[0009]S3：对传统HHO算法进行改进；
[0010]S4：基于IHHO算法的光伏阵列重构方法流程；
[0011]S5：建立光伏阵列重构后输出特性的评价指标。
[0012]具体的，所述步骤S1：建立光伏阵列数学模型。光伏阵列由多个光伏组件以串、并联的方式组成，每个光伏组件的等效数学模型表达式为：
[0013][0014]式中，I
PH
为光生电流；I
o
为二极管反向饱和电流；q为电荷常数，取1.6
×
10
‑
19
C；R
S
为串联电阻；n为二极管的影响因子；k为玻尔兹曼常数，取1.38
×
10
‑
23
；T为电池温度；R
SH
为并联电阻。光生电流的计算公式为：
[0015][0016]式中，I
SCR
为标准测条件的二极管电流；K
I
为温度系数；T
ref
为标准测试电池温度；G为光辐照度；G0＝1000W/m2(常温25℃)，部分遮阴情况下，小于1000W/m2，此时光伏输出功率减少，在整个光伏阵列中会出现多个峰值，其中有一个全局最大功率值和其他局部最大功率值。
[0017]光伏阵列多采用全交叉型(TCT)结构，光伏组件首先通过串联形成组件串，这些组件串再并联形成TCT型结构。对于尺寸为“m
×
n”的光伏阵列，其中第i行第j列对应组件M
ij
在光辐照度G
ij
下产生的电流为I
ij
，其计算公式为：
[0018][0019]式中，表示组件M
ij
在光辐照度G0下产生的电流。
[0020]每一行组件的电压为整个光伏阵列的电压为：
[0021][0022]根据基尔霍夫电流定律，光伏阵列每行电流值为：
[0023][0024]具体的，所述步骤S2：以光伏阵列每一行的功率之和最大为目标建立目标函数，并给出电气开关状态构成的重构变量应满足约束条件。光伏阵列重构是根据不同的阴影模式通过调整光伏板中组件的连接方式，确定最佳的连接方式下光伏阵列每一行的功率之和最大，因此建立目标函数：
[0025][0026]式中，P
i
表示第i行的功率之和，m表示行数；P
a
是表示不使用旁路二极管时的输出功率，W
f
为其权重系数，通常取10；E
e
是光伏阵列的最大行电流I
max
和单个行电流I
i
之间的误差之和(W
e
为其权重系数，通常取10)，计算公式为：
[0027][0028]进行光伏阵列重构时，每个组件仅与同一列中的另一个组件交换，即组件改变的是行序号。因此，由电气开关状态构成的重构变量应满足约束条件：
[0029][0030]式中，x
r,c
为第r行、第c列的行序号。
[0031]具体的，所述步骤S3：对传统HHO算法进行改进。哈里斯鹰优化算法主要模拟哈里斯鹰的捕食行为，算法包括探索阶段，探索到开发的过渡阶段和开发阶段三个主要阶段。
[0032](1)探索阶段。在这个阶段，算法进行全局探索，此过程由两种不同的搜索机制组成。具体表达式为：
[0033][0034]式中，表示迭代次数为t+1时种群中第i个个体的位置；U、L表示搜索空间的上下边界；表示迭代次数为t时种群中第i个个体的位置；表示截止迭代次数为t时所得到的全局最优个体；分别为介于[0,1]之间的随机数；表示迭代过程中个体的随机位置；为[0,1]之间的随机数，可以控制两种搜索机制；表示当前种群所有个体的平均位置，即其中N
pop
为种群数量。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进哈里斯鹰优化算法的光伏阵列重构方法，包括如下步骤：S1：建立光伏阵列数学模型；S2：以光伏阵列每一行的功率之和最大为目标建立目标函数，并给出电气开关状态构成的重构变量应满足的约束条件；S3：对传统HHO算法进行改进；S4：基于IHHO算法的光伏阵列重构方法流程；S5：建立光伏阵列重构后输出特性的评价指标。2.根据权利要求1所述的一种基于改进哈里斯鹰优化算法的光伏阵列重构方法，其特征在于，步骤S1中，建立光伏阵列数学模型。光伏阵列由多个光伏组件以串、并联的方式组成，每个光伏组件的等效数学模型表达式为：式中，I
PH
为光生电流；I
o
为二极管反向饱和电流；q为电荷常数，取1.6
×
10
‑
19
C；R
S
为串联电阻；n为二极管的影响因子；k为玻尔兹曼常数，取1.38
×
10
‑
23
；T为电池温度；R
SH
为并联电阻。光生电流的计算公式为：式中，I
SCR
为标准测条件的二极管电流；K
I
为温度系数；T
ref
为标准测试电池温度；G为光辐照度；G0＝1000W/m2(常温25℃)，部分遮阴情况下，小于1000W/m2，此时光伏输出功率减少，在整个光伏阵列中会出现多个峰值，其中有一个全局最大功率值和其他局部最大功率值。光伏阵列多采用全交叉型(TCT)结构，光伏组件首先通过串联形成组件串，这些组件串再并联形成TCT型结构。对于尺寸为“m
×
n”的光伏阵列，其中第i行第j列对应组件M
ij
在光辐照度G
ij
下产生的电流为I
ij
，其计算公式为：式中，表示组件M
ij
在光辐照度G0下产生的电流。每一行组件的电压为整个光伏阵列的电压为：根据基尔霍夫电流定律，光伏阵列每行电流值为：3.根据权利要求1所述的一种基于改进哈里斯鹰优化算法的光伏阵列重构方法，其特征在于，所述步骤S2中，以光伏阵列每一行的功率之和最大为目标建立目标函数，并给出电气开关状态构成的重构变量应满足约束条件。光伏阵列重构是根据不同的阴影模式通过调
整光伏板中组件的连接方式，确定最佳的连接方式下光伏阵列每一行的功率之和最大，因此建立目标函数：式中，P
i
表示第i行的功率之和，m表示行数；P
a
是表示不使用旁路二极管时的输出功率，W
f
为其权重系数，通常取10；E
e
是光伏阵列的最大行电流I
max
和单个行电流I
i
之间的误差之和(W
e
为其权重系数，通常取10)，计算公式为：进行光伏阵列重构时，每个组件仅与同一列中的另一个组件交换，即组件改变的是行序号。因此，由电气开关状态构成的重构变量应满足约束条件：式中，x
r,c
为第r行、第c列的行序号。4.根据权利要求1所述的一种基于改进哈里斯鹰优化算法的光伏阵列重构方法，其特征在于，所述步骤S3中，传统的HHO算法主要模拟哈里斯鹰的捕食行为，算法包括探索阶段，探索到开发的过渡阶段和开发阶段三个主要阶段。(1)探索阶段。在这个阶段，算法进行全局探索，此过程由两种不同的搜索机制组成。具体表达式为：式中，表示迭代次数为t+1时种群中第i个个体的位置；U、L表示搜索空间的上下边界；表示迭代次数为t时种群中第i个个体的位置；表示截止迭代次数为t时所得到的全局最优个体；分别为介于[0,1]之间的随机数；表示迭代过程中个体的随机位置；为[0,1]之间的随机数，可以控制两种搜索机制；表示当前种群所有个体的平均位置，即其中N
pop
为种群数量。(2)探索到开发阶段过渡。哈里斯鹰从全局搜索转向局部搜索主要依靠猎物逃逸能量来控制，逃逸能量的计算公式如下：。式中，为迭代次数为t时[0,1]区间内的随机数，取值范围为[
‑
1,1]，模拟了猎物在逃跑过程中进行了逃跑加速和对周围环境标记；T
max
表示最大迭代次数；(1
‑
t/T
max
)模
拟了猎物在逃跑过程中能量逐渐减小。如果猎物的逃逸能量较大，鹰群持续监视和定位猎物，算法处于探索阶段；如果猎物的逃逸能量较小，鹰群开始追逐猎物，算法处于开发阶段。(3)开发阶段。在找到目标猎物后，哈里斯鹰会在猎物周围进行圈围攻，等待突袭的机会。然而，实际的捕食过程是复杂的，例如，被围困的猎物可能会逃脱包围圈，哈里斯鹰可以根据猎物的行为作出必要的调整。为了更好地模拟狩猎行为，开发阶段使用软包围攻、硬围攻、渐进式快速俯冲的软围攻和渐进式快速俯冲的硬围攻四种不同的追逐策略，通过逃逸能量和[0,1]区间内的随机数r
i(t)
来决定使用哪种策略。四种策略下，种群中个体位置具体更新方式为：1)软围攻。当r
i(t)
≥0.5、时，猎物有足够的逃逸能量，猎物试图通过随机的跳跃动作逃出包围圈，但最终无法逃脱，哈里斯鹰使用软包围的方式进行狩猎，鹰群中个体位置更新公式为：式中，表示猎物位置与第i个个体在迭代次数为t时的位置差值；表示猎物逃跑过程中的跳跃距离，其中为[0,1]间的随机值。2)硬围攻。当r
i(t)
≥0.5、时，猎物的逃逸能量较低已不足以逃脱追捕，鹰群个体位置更新公式如下：3)渐进式快速俯冲软围攻。当r
i(t)
＜0.5、时，猎物有机会从包围圈中逃脱，且逃逸能量足够，因此哈里斯鹰需要在进攻...

【专利技术属性】
技术研发人员：元亮，王丽晔，苗桂喜，孙浩然，席晟哲，呼建礼，张庆文，连勇，王刚，郑惠瀛，贾淑雅，闫娇，赵悠悠，崔哲芳，王远，马永星，
申请(专利权)人：国网河南省电力公司安阳供电公司，
类型：发明
国别省市：